Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 2 июл 2026

Ссылки

Hugging Face

my_awesome_model

zuyngn

Классификация текстаТекст → label

Дообученная англоязычная модель DistilBERT для классификации текстовых последовательностей.

5скачиваний за 30 дней0лайковвеса обновлены2 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

my_awesome_model — англоязычная модель классификации текста, созданная дообучением DistilBERT distilbert/distilbert-base-uncased. Она предназначена для отнесения текстовых последовательностей к классам; конкретные классы и прикладная область в карточке не описаны. Модель построена на архитектуре DistilBERT и принимает текст с контекстом до 512 токенов.

В README указаны результаты на оценочном наборе: loss 0,2349 и accuracy 0,9316. Датасет и подробности оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация англоязычных текстовых сообщений
определение категории коротких текстов
классификация текстов в прикладном NLP-конвейере

Ограничения

Не указаны набор данных, целевые классы и подробности оценки; метрики из README не гарантируют качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2349
Accuracy: 0.9316

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2236	1.0	1563	0.2149	0.9182
0.1465	2.0	3126	0.2349	0.9316

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 0409154